Datenvisualiserung 2

Visualisierung von Beziehungen

Autor:in

Zugehörigkeit

Daniela Palleschi

Humboldt-Universität zu Berlin

Veröffentlichungsdatum

Di. den 21.05.2024

Geändert

Di. den 21.05.2024

Wiederholung

Letzte Woche haben wir gelernt…

wie man Daten mit dem Paket dplyr aus dem tidyverse verarbeitet
gelernt, wie man die pipe (|>) verwendet, um das Ergebnis einer Funktion in eine andere Funktion einzuspeisen
über Funktionen, die auf Zeilen operieren
- filter(), arrange()
über Funktionen, die auf Spalten operieren
- rename(), mutate(), select(), relocate()
wie man dplyr-Funktionen mit Plots von ggplot2 kombiniert

Wiederholung

Was verbinden Pipes? |>
- Funktionen/dplyr Verben
Was verbinden Pluszeichen? +
- ggplot Schichten

Hinweis

data |> 
  mutate(new_variable = height_cm/age) |> 
  filter(new_variable > 5) |> 
  ggplot() +
  aes(x = age, y = height) +
  geom_point()

Lernziele

Heute werden wir lernen…

wie man zwei oder mehr Variablen darstellt
- mit Ästhetik und mit Facettenrastern
wie man Codechunk-Optionen verwendet
wie man Plots als Dateien speichert

Lesungen

Kurs-Website: Kap. 5 - Datenvisualisierung 2
Kap. 2 (Datenvisualisierung) aus Abschnitt 2.5 in Wickham et al. (2023).
Ch. 3 (Data visualtion) in Nordmann & DeBruine (2022).

Einrichtung

Pakete

library(tidyverse)
library(patchwork)
library(ggthemes)
library(languageR)

tidyverse Familie von Paketen
- ggplot2 für Diagramme
- dplyr für die Datenverarbeitung
ggthemes für farbenblindenfreundliche Farbpaletten
patchwork für Plot-Layouts
languageR für linguistische Datensätze

`ggplot` theme

wir können unser ggplot-Thema global festlegen
- alle Zahlen mit dem von uns gewählten Thema gedruckt werden
Im Folgenden verwende ich theme_bw()
- das unter anderem den Plot-Hintergrund weiß (anstelle von grau) macht

theme_set(theme_bw())

dieser Schritt ist optional

Data

Wir verwenden den english-Datensatz aus dem Baayen & Shafaei-Bajestan (2019).

enthält Daten aus einer lexikalischen Entscheidungsaufgabe in Englisch
Die logarithmisch transformierten Reaktionszeiten werden zurücktransformiert, so dass sie in Millisekunden angegeben werden
- Wir verwenden dazu die Funktion exp()

df_english <- 
  english |> 
  mutate(RTlexdec = exp(RTlexdec),
         RTnaming = exp(RTnaming))

`english` dataset

Unsere Variablen von Interesse sind:

Tabelle 1: english dataset variables of interest

variable	description	type
RTlexdec	Reaktionszeiten für eine visuelle lexikalische Entscheidung (Millisekunden)	kontinuierlich
RTnaming	Reaktionszeiten für den Beginn einer verbalen Wortbenennungsaufgabe (Millisekunden)	kontinuierlich
WrittenFrequency	numerischer Vektor mit der logarithmischen Häufigkeit in der lexikalischen Datenbank von CELEX	kontinuierlich
Wort	ein Faktor mit 2284 Wörtern	kategorisch
AgeSubject	ein Faktor mit der Altersgruppe des Probanden als Level: jung versus alt	kategorisch
WordCategory	ein Faktor mit den Wortkategorien N (Substantiv) und V (Verb) als Ebenen	kategorisch
CV	Faktor, der angibt, ob das Anfangsphonem des Wortes ein Konsonant (C) oder ein Vokal (V) ist.	kategorisch
CorrectLexdec	numerischer Vektor mit dem Anteil der Probanden, die das Item bei der lexikalischen Entscheidung als Wort akzeptiert haben.	kontinuierlich

Hypotheses

Welche Arten von Hypothesen könnten Sie für solche Daten aufstellen?
- Unsere Reaktionszeitdaten (RTnaming, RTlexdec) sind unsere Messvariablen.
  - d.h. was wir messen
- Alle anderen Variablen sind mögliche Vorhersagevariablen (Prädiktoren)
  - d.h. wir könnten vorhersagen, dass ihr Wert unsere Messvariablen beeinflussen würde
Welche Auswirkung (wenn überhaupt) könnte zum Beispiel die Worthäufigkeit auf die Reaktionszeiten bei lexikalischen Entscheidungsaufgaben haben? auf die Benennungszeiten?
- Wie sieht es mit Unterschieden in den Reaktionszeiten zwischen jüngeren und älteren Teilnehmern aus?
Welchen Effekt (wenn überhaupt) könnte die Wortkategorie auf die Reaktionszeiten haben?

1 Datenvisualisierung

Die Visualisierung unserer Daten hilft uns, die Beziehung zwischen den Variablen zu veranschaulichen, um eine Geschichte zu erzählen.
In der Regel visualisieren wir Variablen, für die wir eine bestimmte Hypothese haben: Prädiktor- und Messvariable(n)

1.1 Visualisierung von Verteilungen

Histogramme, Dichtediagramme und Balkendiagramme für Zählwerte visualisieren die Verteilung von Beobachtungen
- Sie geben Aufschluss darüber, wie oft wir bestimmte Werte einer Variablen beobachtet haben.
- In der Regel tun wir dies, um ein Gefühl dafür zu bekommen, wie unsere Daten aussehen
  - Was ist der Bereich unserer Daten, der Modus, die Gesamtverteilung der Werte?

Aufgabe: Beziehungen visualisieren

Erstellen Sie ein Diagramm, das die Verteilung der Häufigkeit der geschriebenen Wörter visualisiert.
Erstellen Sie ein Diagramm, das die Verteilung von Substantiven und Verben visualisiert.

2 Visualisierung von Beziehungen

Um Beziehungen zwischen Variablen zu visualisieren, müssen wir mindestens zwei Variablen auf die Ästhetik eines Diagramms abbilden
Wir haben dies bereits getan, indem wir Farbe oder Füllung einer kategorischen Variable zugeordnet haben, während wir
- eine kontinuierliche Variable auf die x-Achse für Histogramme/Dichte-Diagramme, oder
- eine kategoriale Variable auf die y-Achse für ein Balkendiagramm

Aufgabe: Visualisierung von Beziehungen in Verteilungen

Fügen Sie den soeben erstellten Diagrammen eine weitere Ästhetik hinzu, um sie darzustellen:
- die Verteilung der WrittenFrequency-Werte für Wörter mit Anfangskonsonanten und Vokalen
- die Verteilung der Substantive und Verben für Wörter mit Anfangskonsonanten und Vokalen

2.1 Gruppierte kontinuierliche Variable

Unsere Histogramme, Dichtediagramme und Balkendiagramme zeigen die Verteilung der Werte einer kontinuierlichen Variable nach verschiedenen Stufen einer kategorischen Variable

2.1.1 Gestapelt

Beachten Sie, dass diese Kategorien standardmäßig übereinander gestapelt sind.

Abbildung 1: Visualising relationships in distributions

2.1.2 Dodged (Ausgewiche)

aber dass wir sie nebeneinander haben können, indem wir identity auf dodge setzen
- Ich finde, dass dies für Balkenplots nützlicher ist

Abbildung 2: Visualising relationships in distributions

2.2 Zwei kontinuierliche Variablen

Wir wollen oft die Auswirkungen einer kontinuierlichen Variable auf eine andere sehen.
In unserem Datensatz english haben wir zum Beispiel die Variablen WrittenFreuqency und RTlexdec
- Welche Art von Beziehung werden diese beiden Variablen Ihrer Meinung nach haben?
- Denken Sie z.B., dass Wörter mit einer niedrigeren WrittenFrequency in einer lexikalischen Entscheidungsaufgabe tendenziell längere oder kürzere Reaktionszeiten haben werden?
- Wie könnte man sich eine solche Beziehung vorstellen?

# + geom_?
df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec)

df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec) +
  geom_point()

Nehmen Sie sich einen Moment Zeit, um diese Grafik zu betrachten und eine Interpretation zu finden
- Welchen Einfluss hat die Schrifthäufigkeit eines Wortes auf die Reaktionszeit bei einer lexikalischen Entscheidungsaufgabe?
- Vervollständigen Sie den Satz: “Wörter mit einer höheren Worthäufigkeit lösten ___________ Reaktionszeiten aus”
Wo gab es mehr Variation in den Reaktionszeiten? Wo gab es weniger Variation?

2.3 Hinzufügen weiterer Variablen

Erinnern Sie sich daran, dass wir andere Ästhetiken wie fill oder colour verwenden können
- für geom_point() ist es auch hilfreich, shape zu verwenden

df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  geom_point()

In der Mitte des Diagramms gibt es viele Überschneidungen.
- Wie können wir die Deckkraft der Punkte ändern?

df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  geom_point(alpha = .5)

den Zusammenhang zwischen Altersgruppe und Reaktionszeit beschreiben

Aufgabe 1: Hinzufügen einer weiteren Variablen

Beispiel 1

Wie könnten Sie eine vierte Variable in die obige Darstellung einfügen? Versuchen Sie, CV hinzuzufügen. Ergibt die Darstellung immer noch eine klare Geschichte?

# + geom_?
df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  facet_wrap(~CV)

df_english |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  facet_wrap(~CV) +
  geom_point(alpha = .5)

3 Bearbeitete Daten

Wir können unsere Daten auch bearbeiten, bevor wir sie in ggplot() eingeben
- Dies ist nützlich, wenn wir keine permanenten Änderungen an den Daten vornehmen wollen, sondern nur eine Teilmenge der Daten darstellen wollen
Vielleicht wollen wir nur die Wörter betrachten, die mit einem Vokal beginnen
- Wie könnten wir das mit einem dplyr-Verb machen?

df_english |> 
  filter(CV == "V") |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  geom_point()

Aufgabe 2: Plot-Anmerkung

Beispiel 2

Vergessen Sie nicht, Ihre Diagramme mit nützlichen Beschriftungen zu versehen, um dem Leser die Interpretation des Diagramms zu erleichtern
Fügen wir einen Titel und Beschriftungen für die x- und y-Achse hinzu

df_english |> 
  filter(CV == "V") |> 
  ggplot() +
  aes(x = WrittenFrequency, y = RTlexdec,
      colour = AgeSubject,
      shape = AgeSubject) +
  labs(title = "WrittenFrequency scores by reaction time",
       x = "WrittenFrequency score",
       y = "Reaction time (ms)",
       colour = "Age group",
       shape = "Age group") +
  geom_point()

4 Quarto Code Chunk Einstellungen

lange Codeabschnitte können zu sehr unübersichtlichen Ausgabedokumenten führen
normalerweise ist nur die Darstellung für den Leser wichtig, nicht der Code, der sie erzeugt hat
wir können die Darstellung und Auswertung von Code Chunks durch Code Chunk Optionen steuern
- diese beginnen mit #|
- und befinden sich direkt unter ```{r}```

wichtige Code-Chunk-Optionen:

Tabelle 2: Most common chunk options

option	values	function
#\|\| echo:	true/false	should this code chunk be printed when rendering?
#\|\| eval:	true/false	should this code chunk be run when rendering?

4.1 Verwendung von Code-Bausteinen

warum sehen wir das Ergebnis dieser Darstellung nicht?

```{r}
#| eval: false
df_english |> 
  ggplot() +
  aes(x = RTlexdec, y = RTnaming,
      colour = AgeSubject,
      shape = AgeSubject) +
  geom_point()
```

5 Plots speichern

oft wollen wir unsere Plots in einem Dokument verwenden, das nicht in RStudio erstellt wurde
- zum Beispiel in einer Dissertation oder einem in LaTeX geschriebenen Papier
um dies zu tun, müssen wir unsere Zahlen als einen akzeptierten Dateityp laden, wie jpeg oder png
Das können wir mit der Funktion ggsave() machen.
Können Sie erraten, welche Arten von Argumenten ggsave() benötigt, um unsere Diagramme zu speichern? Einige sind erforderlich, einige sind optional.

5.1 `ggsave()`

Als Minimum benötigt ggsave() Argumente:

den Namen des Plots in Ihrer Umgebung, den Sie speichern möchten
den Dateinamen, unter dem Sie Ihre Darstellung speichern möchten
- Es ist eine gute Idee, einen Ordner zu erstellen, in dem Sie Ihre Plots speichern, und den Dateipfad in den Namen aufzunehmen

5.1.1 `ggsave()` optionale Argumente

einige optionale Argumente sind:
- width = wie breit soll der Plot in cm, mm, Zoll oder Pixel sein?
- height = wie hoch soll der gespeichert Plot in cm, mm, Zoll oder Pixel sein?
- dpi = gewünschte Auflösung (numerisch, oder eine Reihe von Strings: “retina” = 320, “print” = 300 oder “screen” = 72)

Warnung

Setzen Sie Code-Chunks, die Dateien auf Ihrem Rechner speichern, immer auf eval: false!!! Andernfalls wird jedes Mal, wenn Sie Ihr Skript ausführen, die Datei lokal neu geschrieben.

Aufgabe 3: ggsave()

Beispiel 3

Kopieren Sie den unten stehenden Code in einen Codechunk und führen Sie ihn aus. Schauen Sie sich Ihre “Files”-Tab an, was hat sich geändert?

```{r}
#| eval: false
ggsave(
  # required:
  "figures/04-dataviz2/fig_lexdec_rt.png", 
  plot = fig_lexdec_rt,
  # optional:
  width = 2000,
  height = 1000,
  units = "px",
  scale = 1,
  dpi = "print")
```

Versuchen Sie, mit dem Maßstab und den dpi zu spielen. Was ändert sich?
Versuchen Sie, die Werte für Einheiten, Breite und Höhe zu ändern. Was ändert sich?

6 Hausaufgaben

Anhang 5 auf der Website des Kurses.

Session Info

Hergestellt mit R version 4.4.0 (2024-04-24) (Puppy Cup) und RStudioversion 2023.9.0.463 (Desert Sunflower).

sessionInfo()

R version 4.4.0 (2024-04-24)
Platform: aarch64-apple-darwin20
Running under: macOS Ventura 13.2.1

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.4-arm64/Resources/lib/libRlapack.dylib;  LAPACK version 3.12.0

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: Europe/Berlin
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices datasets  utils     methods   base     

other attached packages:
 [1] kableExtra_1.4.0 knitr_1.46       languageR_1.5.0  ggthemes_5.1.0  
 [5] patchwork_1.2.0  lubridate_1.9.3  forcats_1.0.0    stringr_1.5.1   
 [9] dplyr_1.1.4      purrr_1.0.2      readr_2.1.5      tidyr_1.3.1     
[13] tibble_3.2.1     ggplot2_3.5.1    tidyverse_2.0.0 

loaded via a namespace (and not attached):
 [1] utf8_1.2.4        generics_0.1.3    renv_1.0.7        xml2_1.3.6       
 [5] stringi_1.8.3     hms_1.1.3         digest_0.6.35     magrittr_2.0.3   
 [9] evaluate_0.23     grid_4.4.0        timechange_0.3.0  fastmap_1.1.1    
[13] jsonlite_1.8.8    fansi_1.0.6       viridisLite_0.4.2 scales_1.3.0     
[17] cli_3.6.2         rlang_1.1.3       munsell_0.5.1     withr_3.0.0      
[21] yaml_2.3.8        tools_4.4.0       tzdb_0.4.0        colorspace_2.1-0 
[25] pacman_0.5.1      vctrs_0.6.5       R6_2.5.1          lifecycle_1.0.4  
[29] htmlwidgets_1.6.4 pkgconfig_2.0.3   pillar_1.9.0      gtable_0.3.5     
[33] glue_1.7.0        systemfonts_1.0.6 highr_0.10        xfun_0.43        
[37] tidyselect_1.2.1  rstudioapi_0.16.0 farver_2.1.1      htmltools_0.5.8.1
[41] labeling_0.4.3    rmarkdown_2.26    svglite_2.1.3     compiler_4.4.0

Literaturverzeichnis

Baayen, R. H., & Shafaei-Bajestan, E. (2019). languageR: Analyzing Linguistic Data: A Practical Introduction to Statistics. https://CRAN.R-project.org/package=languageR

Nordmann, E., & DeBruine, L. (2022). Applied Data Skills. Zenodo. https://doi.org/10.5281/zenodo.6365078

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2. Aufl.).

--- title: "Datenvisualiserung 2" subtitle: "Visualisierung von Beziehungen" author: "Daniela Palleschi" institute: Humboldt-Universität zu Berlin footer: "Datenvisualisierung 2: Beziehungen" lang: de date: "05/21/2024" date-format: "ddd [d]en DD.MM.YYYY" date-modified: last-modified format: html: output-file: dataviz2_blatt.html include-after-body: ../../custom.html number-sections: true number-depth: 3 toc: true toc-title: "heutige Themen" code-overflow: wrap code-tools: true self-contained: true revealjs: output-file: dataviz2_folien.html include-after-body: ../../custom.html theme: [dark] width: 1600 height: 900 progress: true # smaller: true scrollable: true slide-number: c/t code-link: true code-overflow: wrap code-tools: true # logo: logos/hu_logo.png # css: logo.css incremental: true number-depth: 1 # toc: true # toc-depth: 1 # toc-title: 'Überblick' navigation-mode: linear controls-layout: bottom-right fig-cap-location: top font-size: 0.6em slide-level: 4 self-contained: true # chalkboard: true title-slide-attributes: data-background-image: logos/logos.tif data-background-size: 15% data-background-position: 50% 92% pdf: output-file: dataviz2.pdf toc: true number-sections: true colorlinks: true code-overflow: wrap bibliography: ../../references.bib csl: ../../apa.csl editor_options: chunk_output_type: console --- ```{r} #| echo: false knitr::opts_chunk$set(eval = T, # evaluate chunks echo = T, # 'print code chunk?' message = F, # 'print messages (e.g., warnings)?' error = F, # stop when error encountered warning = F) # don't print warnings ``` ```{r, eval = T, cache = F} #| echo: false # Create references.json file based on the citations in this script # make sure you have 'bibliography: references.json' in the YAML # rbbt::bbt_update_bib("_dataviz2.qmd") ``` # Wiederholung {.unnumbered .unlisted} Letzte Woche haben wir gelernt... - wie man Daten mit dem Paket `dplyr` aus dem `tidyverse` verarbeitet - gelernt, wie man die `pipe` (` |> `) verwendet, um das Ergebnis einer Funktion in eine andere Funktion einzuspeisen - über Funktionen, die auf Zeilen operieren + `filter()`, `arrange()` - über Funktionen, die auf Spalten operieren + `rename()`, `mutate()`, `select()`, `relocate()` - wie man `dplyr`-Funktionen mit Plots von `ggplot2` kombiniert ## Wiederholung {.unnumbered .unlisted} ::: {.content-hidden when-format="pdf"} :::: {.columns} ::: {.column width="50%"} - Was verbinden Pipes? `|>` + Funktionen/`dplyr` Verben - Was verbinden Pluszeichen? `+` + `ggplot` Schichten ::: ::: {.column width="50%"} ```{r} #| eval: false #| code-fold: true #| code-summary: "Hinweis" data |> mutate(new_variable = height_cm/age) |> filter(new_variable > 5) |> ggplot() + aes(x = age, y = height) + geom_point() ``` ::: :::: ::: ::: {.content-visible when-format="pdf"} - Was verbinden Pipes? `|>` + `dplyr` Verben/Funktionen - Was verbinden Pluszeichen? `+` + `ggplot` Schichten ```{r} #| eval: false #| code-fold: true data |> mutate(new_variable = height_cm/age) |> filter(new_variable > 5) |> ggplot() + aes(x = age, y = height) + geom_point() ``` ::: # Lernziele {.unnumbered .unlisted} Heute werden wir lernen... - wie man zwei oder mehr Variablen darstellt + mit Ästhetik und mit Facettenrastern - wie man Codechunk-Optionen verwendet - wie man Plots als Dateien speichert ## Lesungen {.unnumbered} - Kurs-Website: [Kap. 5 - Datenvisualisierung 2](https://daniela-palleschi.github.io/r4ling/mats/05-dataviz_2.html) - [Kap. 2 (Datenvisualisierung)](https://r4ds.hadley.nz/data-visualize) aus [Abschnitt 2.5](https://r4ds.hadley.nz/data-visualize#visualizing-relationships) in @wickham_r_2023. - [Ch. 3 (Data visualtion)](https://psyteachr.github.io/ads-v2/03-viz.html) in @nordmann_applied_2022. # Einrichtung {.unnumbered} ## Pakete {.unnumbered} ```{r} library(tidyverse) library(patchwork) library(ggthemes) library(languageR) ``` ```{r} #| echo: false pacman::p_load( knitr, kableExtra ) ``` - `tidyverse` Familie von Paketen + `ggplot2` für Diagramme + `dplyr` für die Datenverarbeitung - `ggthemes` für farbenblindenfreundliche Farbpaletten - `patchwork` für Plot-Layouts - `languageR` für linguistische Datensätze ## `ggplot` theme {.unnumbered} - wir können unser `ggplot`-Thema global festlegen + alle Zahlen mit dem von uns gewählten Thema gedruckt werden - Im Folgenden verwende ich `theme_bw()` + das unter anderem den Plot-Hintergrund weiß (anstelle von grau) macht ```{r} theme_set(theme_bw()) ``` - dieser Schritt ist *optional* ## Data {.unnumbered} Wir verwenden den `english`-Datensatz aus dem @languageR-package. + enthält Daten aus einer lexikalischen Entscheidungsaufgabe in Englisch + Die logarithmisch transformierten Reaktionszeiten werden zurücktransformiert, so dass sie in Millisekunden angegeben werden - Wir verwenden dazu die Funktion `exp()` ```{r} df_english <- english |> mutate(RTlexdec = exp(RTlexdec), RTnaming = exp(RTnaming)) ``` ### `english` dataset {.unnumbered .smaller} Unsere Variablen von Interesse sind: ```{r} #| label: tbl-english #| tbl-cap: english dataset variables of interest #| echo: false tribble( ~variable, ~description, ~type, "RTlexdec", "Reaktionszeiten für eine visuelle lexikalische Entscheidung (Millisekunden)", "kontinuierlich", "RTnaming", "Reaktionszeiten für den Beginn einer verbalen Wortbenennungsaufgabe (Millisekunden)", "kontinuierlich", "WrittenFrequency", "numerischer Vektor mit der logarithmischen Häufigkeit in der lexikalischen Datenbank von CELEX", "kontinuierlich", "Wort", "ein Faktor mit 2284 Wörtern", "kategorisch", "AgeSubject", "ein Faktor mit der Altersgruppe des Probanden als Level: jung versus alt", "kategorisch", "WordCategory", "ein Faktor mit den Wortkategorien N (Substantiv) und V (Verb) als Ebenen", "kategorisch", "CV", "Faktor, der angibt, ob das Anfangsphonem des Wortes ein Konsonant (C) oder ein Vokal (V) ist.", "kategorisch", "CorrectLexdec", "numerischer Vektor mit dem Anteil der Probanden, die das Item bei der lexikalischen Entscheidung als Wort akzeptiert haben.", "kontinuierlich" ) |> kable() |> kable_styling() ``` ## Hypotheses {.unnumbered} - Welche Arten von Hypothesen könnten Sie für solche Daten aufstellen? + Unsere Reaktionszeitdaten (`RTnaming`, `RTlexdec`) sind unsere *Messvariablen*. + d.h. was wir messen + Alle anderen Variablen sind mögliche *Vorhersagevariablen* (*Prädiktoren*) + d.h. wir könnten vorhersagen, dass ihr Wert unsere Messvariablen beeinflussen würde - Welche Auswirkung (wenn überhaupt) könnte zum Beispiel die Worthäufigkeit auf die Reaktionszeiten bei lexikalischen Entscheidungsaufgaben haben? auf die Benennungszeiten? + Wie sieht es mit Unterschieden in den Reaktionszeiten zwischen jüngeren und älteren Teilnehmern aus? - Welchen Effekt (wenn überhaupt) könnte die Wortkategorie auf die Reaktionszeiten haben? # Datenvisualisierung - Die Visualisierung unserer Daten hilft uns, die Beziehung zwischen den Variablen zu veranschaulichen, um eine Geschichte zu erzählen. - In der Regel visualisieren wir Variablen, für die wir eine bestimmte Hypothese haben: Prädiktor- und Messvariable(n) ## Visualisierung von Verteilungen - Histogramme, Dichtediagramme und Balkendiagramme für Zählwerte visualisieren die *Verteilung* von Beobachtungen + Sie geben Aufschluss darüber, wie oft wir bestimmte Werte einer Variablen beobachtet haben. + In der Regel tun wir dies, um ein Gefühl dafür zu bekommen, wie unsere Daten aussehen + Was ist der Bereich unserer Daten, der Modus, die Gesamtverteilung der Werte? ::: callout-tip ## Aufgabe: Beziehungen visualisieren 1. Erstellen Sie ein Diagramm, das die Verteilung der Häufigkeit der geschriebenen Wörter visualisiert. 2. Erstellen Sie ein Diagramm, das die Verteilung von Substantiven und Verben visualisiert. ```{r} #| echo: false #| eval: false df_english |> ggplot() + aes(x = WrittenFrequency) + geom_histogram() + df_english |> ggplot() + aes(x = WordCategory) + geom_bar() + plot_annotation(tag_levels = "A") ``` ::: # Visualisierung von Beziehungen - Um Beziehungen zwischen Variablen zu visualisieren, müssen wir mindestens zwei Variablen auf die Ästhetik eines Diagramms abbilden - Wir haben dies bereits getan, indem wir Farbe oder Füllung einer kategorischen Variable zugeordnet haben, während wir + eine kontinuierliche Variable auf die x-Achse für Histogramme/Dichte-Diagramme, oder + eine kategoriale Variable auf die y-Achse für ein Balkendiagramm ::: callout-tip ## Aufgabe: Visualisierung von Beziehungen in Verteilungen 1. Fügen Sie den soeben erstellten Diagrammen eine weitere Ästhetik hinzu, um sie darzustellen: + die Verteilung der WrittenFrequency-Werte für Wörter mit Anfangskonsonanten und Vokalen + die Verteilung der Substantive und Verben für Wörter mit Anfangskonsonanten und Vokalen ```{r} #| echo: false #| eval: false #| label: fig-distributions #| fig-cap: Visualising relationships in distributions df_english |> ggplot() + aes(x = WrittenFrequency, fill = CV) + geom_histogram() + scale_fill_colorblind() + df_english |> ggplot() + aes(x = WordCategory, fill = CV) + geom_bar() + scale_fill_colorblind() + plot_annotation(tag_levels = "A") ``` ::: ## Gruppierte kontinuierliche Variable - Unsere Histogramme, Dichtediagramme und Balkendiagramme zeigen die Verteilung der Werte einer *kontinuierlichen* Variable nach verschiedenen Stufen einer *kategorischen* Variable ### Gestapelt - Beachten Sie, dass diese Kategorien standardmäßig übereinander gestapelt sind. ```{r} #| echo: false #| label: fig-stacked #| fig-cap: Visualising relationships in distributions df_english |> ggplot() + aes(x = WrittenFrequency, fill = CV) + geom_histogram() + scale_fill_colorblind() + df_english |> ggplot() + aes(x = WordCategory, fill = CV) + geom_bar() + scale_fill_colorblind() + plot_annotation(tag_levels = "A") ``` ### Dodged (Ausgewiche) - aber dass wir sie nebeneinander haben können, indem wir `identity` auf `dodge` setzen + Ich finde, dass dies für Balkenplots nützlicher ist ```{r} #| echo: false #| label: fig-task1 #| fig-cap: Visualising relationships in distributions #| fig-asp: .8 (df_english |> ggplot() + aes(x = WrittenFrequency, fill = CV) + labs(title = 'geom_histogram()') + geom_histogram(position = "identity") + scale_fill_colorblind() + df_english |> ggplot() + aes(x = WrittenFrequency, fill = CV) + scale_fill_colorblind() + labs(title = 'geom_histogram(position = "dodge")') + geom_histogram(position = "dodge")) / ( df_english |> ggplot() + aes(x = WordCategory, fill = CV) + labs(title = 'geom_bar()') + geom_bar() + scale_fill_colorblind() + df_english |> ggplot() + aes(x = WordCategory, fill = CV) + labs(title = 'geom_bar(position = "dodge")') + scale_fill_colorblind() + geom_bar(position = "dodge") ) + plot_annotation(tag_levels = "A")+ plot_layout(guides = "collect") ``` ## Zwei kontinuierliche Variablen - Wir wollen oft die Auswirkungen einer kontinuierlichen Variable auf eine andere sehen. - In unserem Datensatz `english` haben wir zum Beispiel die Variablen `WrittenFreuqency` und `RTlexdec` + Welche Art von Beziehung werden diese beiden Variablen Ihrer Meinung nach haben? + Denken Sie z.B., dass Wörter mit einer niedrigeren WrittenFrequency in einer lexikalischen Entscheidungsaufgabe tendenziell längere oder kürzere Reaktionszeiten haben werden? + Wie könnte man sich eine solche Beziehung vorstellen? ## {.unnumbered .unlisted} ```{r} # + geom_? df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec) ``` ## {.unnumbered .unlisted} ```{r} df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec) + geom_point() ``` ::: {.content-visible when-format="revealjs"} ## {.unnumbered .unlisted} ```{r} #| echo: false df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec) + geom_point() ``` ::: - Nehmen Sie sich einen Moment Zeit, um diese Grafik zu betrachten und eine Interpretation zu finden + Welchen Einfluss hat die Schrifthäufigkeit eines Wortes auf die Reaktionszeit bei einer lexikalischen Entscheidungsaufgabe? + Vervollständigen Sie den Satz: "Wörter mit einer höheren Worthäufigkeit lösten ___________ Reaktionszeiten aus" - Wo gab es mehr Variation in den Reaktionszeiten? Wo gab es weniger Variation? ## Hinzufügen weiterer Variablen - Erinnern Sie sich daran, dass wir andere Ästhetiken wie `fill` oder `colour` verwenden können + für `geom_point()` ist es auch hilfreich, `shape` zu verwenden ```{r} #| output-location: column-fragment df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + geom_point() ``` - In der Mitte des Diagramms gibt es viele Überschneidungen. + Wie können wir die Deckkraft der Punkte ändern? ::: {.content-visible when-format="revealjs"} ## {.unlisted .unnumbered} ::: ```{r} #| output-location: column-fragment df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + geom_point(alpha = .5) ``` - den Zusammenhang zwischen Altersgruppe und Reaktionszeit beschreiben ::: {.content-visible when-format="revealjs"} ## Aufgabe {.unlisted .unnumbered} ::: ::: callout-tip ## [Aufgabe @exm-add]: Hinzufügen einer weiteren Variablen ::: {#exm-add .custom} ::: nonincremental Wie könnten Sie eine vierte Variable in die obige Darstellung einfügen? Versuchen Sie, `CV` hinzuzufügen. Ergibt die Darstellung immer noch eine klare Geschichte? ::: ::: ::: ## Facet grids - Wenn Sie mehr als drei Variablen darstellen wollen, ist es im Allgemeinen eine gute Idee, kategorische Variablen in *Facetten* aufzuteilen + Facetten sind Teilplots, die Teilmengen der Daten anzeigen - wir können `facet_wrap()` verwenden, das eine Formel als Argument annimmt + Diese Formel enthält `~` und den Namen einer kategorialen Variable, z. B. `~CV` ## {.unnumbered .uncounted} ```{r} #| code-line-numbers: "7" # + geom_? df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + facet_wrap(~CV) ``` ## {.unnumbered .uncounted} ```{r} #| code-line-numbers: "6-7" df_english |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + facet_wrap(~CV) + geom_point(alpha = .5) ``` # Bearbeitete Daten - Wir können unsere Daten auch bearbeiten, bevor wir sie in `ggplot()` eingeben - Dies ist nützlich, wenn wir keine permanenten Änderungen an den Daten vornehmen wollen, sondern nur eine Teilmenge der Daten darstellen wollen - Vielleicht wollen wir nur die Wörter betrachten, die mit einem Vokal beginnen + Wie könnten wir das mit einem `dplyr`-Verb machen? ## {.unnumbered .unlisted} ```{r} #| output-location: column-fragment df_english |> filter(CV == "V") |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + geom_point() ``` ::: {.content-visible when-format="revealjs"} ## Aufgabe {.unlisted .unnumbered} ::: ::: callout-tip ### [Aufgabe @exm-labels]: Plot-Anmerkung ::: {#exm-labels .custom} ::: nonincremental - Vergessen Sie nicht, Ihre Diagramme mit nützlichen Beschriftungen zu versehen, um dem Leser die Interpretation des Diagramms zu erleichtern - Fügen wir einen Titel und Beschriftungen für die x- und y-Achse hinzu ```{r} #| output-location: slide df_english |> filter(CV == "V") |> ggplot() + aes(x = WrittenFrequency, y = RTlexdec, colour = AgeSubject, shape = AgeSubject) + labs(title = "WrittenFrequency scores by reaction time", x = "WrittenFrequency score", y = "Reaction time (ms)", colour = "Age group", shape = "Age group") + geom_point() ``` ::: ::: ::: # Quarto Code Chunk Einstellungen - lange Codeabschnitte können zu sehr unübersichtlichen Ausgabedokumenten führen - normalerweise ist nur die Darstellung für den Leser wichtig, nicht der Code, der sie erzeugt hat - wir können die Darstellung und Auswertung von Code Chunks durch Code Chunk Optionen steuern + diese beginnen mit `#|` + und befinden sich direkt unter ```` ```{r}``` ```` ::: {.content-visible when-format="revealjs"} ## {.unlisted .unnumbered} ::: - wichtige Code-Chunk-Optionen: ```{r} #| label: tbl-chunks #| tbl-cap: Most common chunk options #| echo: false tribble( ~"option", ~"values", ~"function", "#|| echo: ", "true/false", "should this code chunk be printed when rendering?", "#|| eval: ", "true/false", "should this code chunk be run when rendering?" ) |> kable() |> kable_styling() ``` ## Verwendung von Code-Bausteinen - warum sehen wir das Ergebnis dieser Darstellung nicht? ```{r} #| echo: fenced #| eval: false df_english |> ggplot() + aes(x = RTlexdec, y = RTnaming, colour = AgeSubject, shape = AgeSubject) + geom_point() ``` # Plots speichern - oft wollen wir unsere Plots in einem Dokument verwenden, das nicht in RStudio erstellt wurde + zum Beispiel in einer Dissertation oder einem in LaTeX geschriebenen Papier - um dies zu tun, müssen wir unsere Zahlen als einen akzeptierten Dateityp laden, wie `jpeg` oder `png` - Das können wir mit der Funktion `ggsave()` machen. - Können Sie erraten, welche Arten von Argumenten `ggsave()` benötigt, um unsere Diagramme zu speichern? Einige sind erforderlich, einige sind optional. ## `ggsave()` Als Minimum benötigt `ggsave()` Argumente: 1. den Namen des Plots in Ihrer Umgebung, den Sie speichern möchten 2. den Dateinamen, unter dem Sie Ihre Darstellung speichern möchten + Es ist eine gute Idee, einen Ordner zu erstellen, in dem Sie Ihre Plots speichern, und den Dateipfad in den Namen aufzunehmen ### `ggsave()` optionale Argumente - einige optionale Argumente sind: - `width = ` wie breit soll der Plot in cm, mm, Zoll oder Pixel sein? - `height = ` wie hoch soll der gespeichert Plot in cm, mm, Zoll oder Pixel sein? - `dpi = ` gewünschte Auflösung (numerisch, oder eine Reihe von Strings: "retina" = 320, "print" = 300 oder "screen" = 72) ::: {.content-visible when-format="revealjs"} ## `eval: false` {.unlisted .unnumbered} ::: ::: callout-warning Setzen Sie Code-Chunks, die Dateien auf Ihrem Rechner speichern, *immer* auf `eval: false`!!! Andernfalls wird jedes Mal, wenn Sie Ihr Skript ausführen, die Datei lokal neu geschrieben. ::: ::: {.content-visible when-format="revealjs"} ## Aufgabe {.unlisted .unnumbered} ::: ::: callout-tip ### [Aufgabe @exm-ggsave]: `ggsave()` ::: {#exm-ggsave .custom} ::: nonincremental 1. Kopieren Sie den unten stehenden Code in einen Codechunk und führen Sie ihn aus. Schauen Sie sich Ihre "Files"-Tab an, was hat sich geändert? ```{r} #| echo: fenced #| eval: false ggsave( # required: "figures/04-dataviz2/fig_lexdec_rt.png", plot = fig_lexdec_rt, # optional: width = 2000, height = 1000, units = "px", scale = 1, dpi = "print") ``` 2. Versuchen Sie, mit dem Maßstab und den dpi zu spielen. Was ändert sich? 3. Versuchen Sie, die Werte für Einheiten, Breite und Höhe zu ändern. Was ändert sich? ::: ::: ::: # Hausaufgaben [Anhang 5](https://daniela-palleschi.github.io/r4ling/appendices/00-aufgaben.html#sec-app_dataviz2) auf der Website des Kurses. # Session Info {.unnumbered .unlisted} Hergestellt mit `r R.version.string` (`r R.version$nickname`) und RStudioversion 2023.9.0.463 (Desert Sunflower). ```{r} sessionInfo() ``` ```{r} #| eval: false #| echo: false quarto::datenviz_render(output_format = "all") ``` # Literaturverzeichnis {.unlisted .unnumbered visibility="uncounted"} ::: {#refs custom-style="Bibliography"} :::

Wiederholung

Wiederholung

Lernziele

Lesungen

Einrichtung

Pakete

ggplot theme

Data

english dataset

Hypotheses

1 Datenvisualisierung

1.1 Visualisierung von Verteilungen

2 Visualisierung von Beziehungen

2.1 Gruppierte kontinuierliche Variable

2.1.1 Gestapelt

2.1.2 Dodged (Ausgewiche)

2.2 Zwei kontinuierliche Variablen

2.3 Hinzufügen weiterer Variablen

2.4 Facet grids

3 Bearbeitete Daten

4 Quarto Code Chunk Einstellungen

4.1 Verwendung von Code-Bausteinen

5 Plots speichern

5.1 ggsave()

5.1.1 ggsave() optionale Argumente

6 Hausaufgaben

Session Info

Literaturverzeichnis

`ggplot` theme

`english` dataset

5.1 `ggsave()`

5.1.1 `ggsave()` optionale Argumente